위성사진 내 시설물이 식별된 식별 이미지를 출력하고, 상기 식별 이미지 내 시설물 카테고리를 입력하는 사용자 단말; 및상기 위성사진 내 시설물을 기 구축된 AI 모델로 식별하는 식별부, 식별된 시설물의 윤곽선을 표시하여 식별 이미지를 생성하는 생성부, 상기 식별 이미지를 상기 사용자 단말로 제공하는 제공부, 상기 사용자 단말에서 상기 윤곽선으로 식별된 단위 시설물을 선택한 후, 시설물 카테고리를 입력하는 경우 상기 단위 시설물 상에 시설물 카테고리명을 오버레이하여 모식도를 생성하는 자동화부를 포함하는 자동식별 서비스 제공 서버를 포함하고,상기 AI 모델은,U-Net 및 SAM(Segment Anything Model) 파인튜닝(Fine-Tuning) 모델이 결합된 모델인 것을 특징으로 하며,상기 AI 모델은,상기 U-Net 모델을 이용하여 시설물을 탐지하도록 하고,상기 U-Net 모델로 탐지된 시설물의 경계상자에 기초하여, 상기 SAM 파인튜닝 모델을 이용해 의미론적 분할을 수행하도록 하며, 상기 SAM 파인튜닝 모델에서 생성된 세그멘테이션 마스크 이미지를, 지리좌표와 매핑한 후 공간 데이터로 전환하고,상기 AI 모델은,상기 U-Net 모델에서 시설물을 탐지한 후, 탐지된 시설물의 경계상자가 상기 SAM 파인튜닝 모델로 입력되기 이전에, 상기 U-Net 모델의 픽셀 기반 영역을 폴리곤(Polygon) 형태로 구분하도록 전처리(Pre-Processing)을 수행하며,상기 SAM 파인튜닝 모델은 항공사진 데이터를 포함하는 사전 학습되지 않은 새로운 데이터 분포에 대한 성능을 향상시키도록 마스크 디코더 부분만을 미세조정하고, 미리 라벨링된 이미지를 학습시킨 후 SAM 파인튜닝에 적용하도록 사전학습된 가장 작은 크기의 비전 Transformer 모델인 SAM_ViT Base를 기반으로 파인튜닝을 진행하고,상기 파인튜닝 과정에서는 비전 인코더와 프롬프트 인코더의 가중치를 고정하여 기존에 학습된 특성을 유지하고, 파라미터에 대한 학습률과 가중치 감쇠를 조정하면서 효율적인 경사 하강법을 통해 최적의 학습 결과를 도출하도록 Torch.Opim.Adam 알고리즘을 이용하며, 학습 과정에서는 Seg_Loss 변수를 통해 모델 출력과 실제 마스크 사이의 손실을 계산하고, 계산된 손실값은 역전파 과정에서 모델의 파라미터에 대한 경사도를 생성하여 파라미터를 최적화하는 것을 특징으로 하며,U-Net 및 SAM 파인튜닝 모델의 결합은 SAM은 객체를 분리(세그멘테이션)를 하기 위해서는 밭이라는 대상에 대해 프롬프트로 미리 지정하도록 U-Net을 이용하여 밭을 분리 및 경계상자를 만들어 놓은 후, SAM 파인튜닝 모델에서 이를 받아 최종적으로 이미지 세그멘테이션을 수행하며,상기 AI 모델은 U-Net이 생성한 예측 마스크의 경계상자를 적용한 SAM의 예측 마스크를 이용하여 공간데이터를 생성하고,SAM의 예측 마스크에서 영역을 추출하고, 추출된 영역의 경계선 픽셀의 XY 좌표 정보를 추출하여 XY값이 존재하는 픽셀 단위의 폴리곤 데이터로 변환하고, 폴리곤 벡터 데이터에 대한 단순화를 진행하며, 단순화된 XY 데이터를 이용하여 원본 이미지의 위경도 정보를 대입함으로써, XY 좌표를 위경도로 변환하고, 이를 공간 데이터 표준 형식인 WKT(Well-Known Text)로 변환하는 것을 특징으로 하는,위성사진 기반 AI 모델을 이용한 시설물 자동식별 시스템.

삭제

삭제

삭제

제 1 항에 있어서,상기 자동식별 서비스 제공 서버는,상기 사용자 단말로부터 상기 시설물에 설치된 CCTV 이미지를 입력받아 저장하고, 상기 CCTV 이미지에서 차량을 객체로 추출하여 상기 차량의 동선을 상기 모식도에 오버레이하여 표시하는 동선표시부;를 더 포함하는 것을 특징으로 하는 위성사진 기반 AI 모델을 이용한 시설물 자동식별 시스템.